在上一个练习中，您绘制了鱼类测量数据的 PCA 特征方差。现在请再次查看您的图，您认为鱼类测量数据的"内在维度"取多少比较合适？回忆一下，内在维度是指具有显著方差的 PCA 特征数量。
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
学习如何发现数据集中的潜在分组（即"聚类"）。在本章结束时，您将基于股票价格对公司进行聚类，并通过聚类度量来区分不同物种。
本章将介绍两种用于数据可视化的无监督学习技术：层次聚类与 t-SNE。层次聚类把数据样本不断合并为更粗的簇，并生成表示簇层级关系的树状可视化。t-SNE 将数据样本映射到 2 维空间，从而可以直观展示样本之间的相互接近程度。
降维通过提取常见模式来概括数据集。在本章中，您将学习最基础的降维技术——"主成分分析"（"PCA"）。PCA 常用于有监督学习之前，以提升模型性能与泛化能力。它对无监督学习同样有用。例如，您将使用一种 PCA 的变体，根据内容对 Wikipedia 文章进行聚类！
当前练习
本章将介绍一种名为"非负矩阵分解"（"NMF"）的降维技术，它把样本表示为可解释部分的组合。例如，可将文档表示为主题的组合，将图像表示为常见的视觉模式。您还将学习使用 NMF 构建推荐系统，为您发现相似的可阅读文章，或与您的收听历史相匹配的音乐艺术家！
